Sydney Teknoloji Üniversitesi‘ndeki araştırmacılar ve DATA61 kısa süre önce, yoğun trafik koşullarında kentsel ortamlardaki sinyallerin zamanlamasını optimize etmek için yeni bir yöntem geliştirdi. ArXiv’de önceden yayınlanan bir makalede sunulan yaklaşımları, optimizasyon problemlerini çözmek için popüler bir bilgisayar bilimi tekniği olan Genetik Algoritmalar’ın (GA) kullanılmasını gerektirir.
Trafik kontrol sinyalleri, yoğun nüfuslu şehir ortamlarında karayolu trafiğini kontrol etmek ve yönetmek için en yaygın kullanılan araçlardır. Bir trafik sinyalinin sinyal kontrol planı olarak da bilinen ayarları, ilk önce kesintiler meydana geldiğinde, karayolu trafiğini önemli ölçüde etkileyebilir.
Şimdiye kadar, trafik kontrol optimizasyonu için önerilen çözümlerin çoğunluğu normal trafik koşullarında çalışmak üzere tasarlanmıştır. Bunun nedeni, bir olay meydana geldikten sonra veya trafik yoğunken, trafik ışığının kontrol planlarının optimize edilmesi, özellikle birden fazla şerit veya yolun tamamının etkilenmesi durumunda özellikle zor olmasıdır.
Daha önceki çalışmaların aksine, Mao ve meslektaşları, yoğun trafik koşullarında GA kullanarak trafik sinyal kontrolü optimizasyonu elde etmek için çalıştı. GA, insanlarda gözlenen biyolojik evrimden ilham alan ve ilk olasılıklar arasından en uygun çözümleri doğal olarak seçmek için tasarlanmış bir bilgisayar bilimi tekniğidir.
Mao: “GA’lar, optimizasyon problemlerinde yaygın olarak kullanılır. (Örneğin, kavşakta seyahat süresini en aza indirecek en iyi faz süresini bulma, bireysel mutasyon, çaprazlama ve en iyi genlerin taşınması için en iyi bireylerin seçilmesi gibi biyo-ilham veren fonksiyonları kullanma gibi…) GA’ların bu sorunu çözmek için harika bir çözüm olacağını düşündük ve olaydan etkilenen bölge için optimize edilmiş trafik sinyali planlarını oluşturmak için bunları kullanmaya karar verdik.”
Mao ve meslektaşları tarafından geliştirilen GA, esas olarak belirli bir kesişim için tüm olası trafik sinyalleri kontrol planlarını araştırmaktadır.
Mao, “İlk önce, tüm nüfustan ilk nesli oluşturan büyük bir sayısal alanda eşit olarak dağıtılan farklı faz süreleri dahil, çok sayıda trafik kontrol planı hazırladık. Sonra, tüm olasılıkların alanını keşfetmede daha fazla rasgelelik sağlamak için seçim, geçiş ve mutasyon uygularız ve sadece bir sonraki nesilde optimizasyona devam edecek en iyi adayları seçeriz.”
Daha sonra, Mao ve meslektaşları tarafından tasarlanan yaklaşım, o popülasyondaki bireylerin çoğunluğu aynı oluncaya ve optimal bir çözüme ulaşana kadar belirli sayıda nesiller için orijinal nüfusu geliştirir. GA’nın nihai sonucu, trafik kazalarından etkilenen bölgelerdeki tüm trafik ışıkları için optimize edilmiş bir trafik işareti kontrol planıdır.
Geçmişte yapılan çalışmalar, başka birkaç trafik işareti kontrol optimizasyon tekniği önermiş olsa da, bunların çoğu trafik modellemesi ve bilgi tabanlı uzman (yani, buluşsal) sistemlere dayanmaktadır. Bu sistemler gözlemlenen trafik koşullarına pasif tepki veriyor ve bu nedenle yol kazalarının neden olduğu tıkanıklığı azaltmak için aktif olarak çözümler önerememektedir.
Mao: “Yöntemimizin üç önemli avantajı var. Öncelikle, olayı birisi tarafından bildirildikten sonra aktif olarak modele girdiğimiz için tekrarlamayan trafik olaylarını göz önünde bulundurur, bu nedenle trafik sinyali kontrol planı olayın farkındadır ve daha hızlı yanıt verebilir. İkinci olarak, trafik olaylarının yol açtığı yol kapasitesi düşüşünü dikkate alan dinamik bir trafik ataması uygulayarak, sürücülerin yeniden yönlendirme davranışını dikkate alır. Son olarak, yöntemimiz, birçok sinyal kontrol planı olasılığını araştırmak için verimli hale gelir. ”
Araştırmacılar tekniklerini, ünlü bir trafik modelleme platformu olan AIMSUN’da tasarlanan dört kavşak ağı kullanarak değerlendirdiler. GA’nın hem normal koşullarda hem de şiddetli trafikte, trafik sinyal zamanlamalarını optimize etmek zorunda olduğu üç farklı senaryo oluşturdular. Bu testlerde, trafik işareti kontrol planlarının trafik kazası meydana geldikten sonra sürücüler tarafından rota değişikliğine uyarlanabildiğini, tıkanmanın daha hızlı dağılma eğiliminde olduğunu gözlemlediler.
Mao: “Yöntemimizi kullanırken, sürücülerin toplam seyahat süresini % 40.76 oranında iyileştirdik. Araştırmamız, trafik yönetimi merkezlerine daha iyi bir trafik tepkisi yönetme rutininin bir parçası olarak, yeni bir olay olduğunda nasıl davranacağına dair önerilerde bulunabilir.”
Gelecekte, Mao ve meslektaşları tarafından geliştirilen GA, daha etkili trafik kontrol sistemlerinin geliştirilmesine yardımcı olabilir. Araştırmacılara göre, tekniğinin veri akışı yeteneklerini ve hesaplama performansını geliştirerek, canlı trafik olaylarına aktif olarak karşılık verip, trafik sinyallerini otomatik olarak optimize etmelerine izin verdiler.
